デジタル病理学における全スライド画像（WSI）分類において、複数インスタンス学習（MIL）は顕著な計算上の課題に直面している。現在の手法は、良好な性能を達成するため、広範な自己教師学習（SSL）に依存しており、長時間の学習期間と膨大な計算リソースを要する。一方で、自然画像からWSIへのドメインシフトの影響により、事前学習を行わない場合、性能が著しく低下する。本研究では、スパーストランスフォーマーを基盤とする新たなMILプーリング手法「Snuffyアーキテクチャ」を提案する。このアーキテクチャは、限られた事前学習でも性能の低下を緩和し、継続的少数ショット事前学習を実現可能とする。Snuffyのスパース構造は病理画像に特化しており、理論的にも、これまでに報告されたスパーストランスフォーマーの中で、層数に関する確率的精度の最もきつい上限（sharp bound）を持つ普遍近似器であることが証明されている。CAMELYON16およびTCGA肺がんデータセットを用いた実験により、Snuffyの有効性を実証し、WSIレベルおよびパッチレベルの分類精度において優れた性能を達成した。コードは https://github.com/jafarinia/snuffy にて公開されている。